智能算法是来源于自然界的启发，用于解决复杂NP-Complete问题的一种多用途的搜索算法，它用来指导问题的求解朝着潜在的含有高质量解的搜索空间进行搜索。

自复杂大规模NP-Complete问题出现以来，传统优化算法或者在保证找到全局解时代价太大（即太耗时），或者容易陷入局部最优。由于其搜索局限性，算法对大多数实际问题很难在多项式时间以内找到问题的可行解，并且当问题发生变化，算法也要做出相应的变化。在对如何跳离局部最优并在有限时间得到可行解的思考与研究过程中，智能算法诞生了。

智能算法通常由目标函数、循环迭代搜索及评估进化三大部分组成。对于不同的问题有着不同的目标函数但相同的迭代搜索与进化，这使得问题的求解难度与时间复杂度大大简化。算法利用其随机性与导向性相互结合的特点解决了大多数传统算法无法解决的NP-Complete问题。现有智能算法包括典型的遗传算法、蚁群算法、粒子群算法、模拟退火算法等，其均被应用于图像处理、任务分配、控制决策、电力及其机械等各个领域。随着智能算法的发展，在近二十年内出现了许多对不同算法的优秀改进策略及算子混合策略，以平衡算法的局部搜索能力与全局搜索能力。

然而，这些应用上的改进还远远不够。面对无数的实际工程优化（NP-Complete）问题，如何找到最适合的智能算法及改进/混合策略，是否可从自然界找到更多启发来形成全新的更优秀的智能搜索算法，而随着高性能计算技术的出现，如何将其求解大规模复杂NP-Complete问题的时间从数小时降到数分钟甚至数十秒，这些都是值得研究和思考的问题。因此，混合/新型智能算法的发展与改进，并行智能算法的研究及应用即成为当今优化领域的重要研究热点。